本文基于力敏电阻(FSR)传感器,设计了压力测量鞋垫,研制出一套结构简单、稳定可靠、方便穿戴和室外实验的步态检测系统。硬件部分包括足底压力传感器阵列、信号调理单元、主电路单元三部分。系统的软件具有数据采集、信号处理、特征提取及分类等功能。系统采集了一个健康人体的27组步态数据并进行分析,研究各种步态下的压力分布特征,对平地行走、上坡、下坡、上楼梯及下楼梯5种步态模式进行模式识别与分类,通过K最近邻(KNN)分类算法达到了90%的正确率,初步验证了该系统的实用性。
引用本文： 方正, 张兴亮, 王超, 顾昕, 马盛林, 王磊, 陈思媛. 基于青年人足底压力测试的步态实验研究. 生物医学工程学杂志, 2014, 31(6): 1278-1282,1293. doi: 10.7507/1001-5515.20140242 复制
引言
步态识别作为一种新的生物特征识别技术[1]，不仅可以根据人们的走路姿势实现对个人身份的识别，还可用于检测人的生理、病理特征。目前步态识别主要应用于对不同运动状态下足底各点与地面之间的压力及其时间参数进行测量并分析，进而获取人体在不同体态和运动状态下的生理和病理力学参数，揭示不同的足底压力分布特征和模式，对疾患程度测定、生物力学及康复研究均有重要意义。随着人们对步态识别技术的日益重视，其在未来的应用将不仅仅局限于生物特征方面，还可用于了解中风患者恢复进程以及银行、车站等特殊场所的安全检查等医疗卫生和公共安全等领域，由此可见研究步态模式识别技术有十分重大的意义。
目前国内外基于步态生物识别技术主要有以下几种方法：(1)基于采集步行时的图像进行识别[2]，可识别行走的频率和步幅的大小，初步证明该方法具有一定的实用性，但是由于人体身体特征不同，实验结果具有个体差异性；(2)基于人行走图像进行特征步态的分析[3]，虽然对不同的光线、衣着、视角进行了归一化处理，但是实际测试中这些条件的变动依然会对识别率产生明显的干扰，且数据库较多时难以通过步态特征识别出个体；(3)基于脑电(electroencephalogram,EEG)信号模式识别的方法[4]，对EEG信号的研究发现，脑电波波形随着人体运动状态的改变而改变，虽然变化复杂，但可提供大脑对四肢的控制信息。目前该方法的主要缺点是信号采集系统无法实时地获得高分辨率的实时信号，且计算机对数据的处理速度达不到要求；(4)基于肌电(electromyography,EMG)信号模式识别的方法[5]，实验证明，不同路况下人体腿部肌肉表面EMG信号不同，则人体活动方式不同；EMG特征参数差别明显，对步态识别具有很大的帮助；(5)基于对步态运动学参数中下肢关节角度进行步态识别[6]，行走运动的关节角度变化包含丰富的个体识别信息。实验证明，利用下肢关节角度进行步态识别也是一种可行的方法。
关于足底压力分布测量技术的研究，国外起步较早，研究也比较成熟[7]。目前研究应用较多的为瑞士Kistler公司的测力台系统[8]、美国Tekscan公司的压力分布测量系统[9]以及德国Novel公司足底压力分布测量系统[10]，这些系统克服了测力板和测力台面积有限且只能站立进行参数测量等缺点，具有可靠性和准确性较高、组装和操作简便的优点，因此在市场上被广泛采用。国内足底压力与测量的研究起步较晚，20世纪 80 年代，伴随着压力测量和新型传感技术的快速发展与普及以及人们对足部健康的日益重视，足底压力测量技术的重要性在运动生物力学步态研究领域中日益凸显。经过近20年的研究，国内目前已研制成功的产品主要集中在运动生物力学步态研究和临床步态研究上，代表性的成果主要为：对人体行走的步态观察、步态分析和临床研究；对正常人平地行走时足底三维力的测量与分析；对少年儿童背负书包状态下行走的步态分析等[11]。但在取得这些成果的同时，仍有一些问题尚需解决：如国外现有的足底压力分布测量系统价格昂贵，对足底压力分布测量的应用研究不足，对步态的力学特征分析尚不充分；而国内测量系统存在成本高、寿命短、使用不灵活及难于扩展等问题。
本文基于足底压力测量，设计了一种压力测量鞋垫，并研制出一套成本低、稳定可靠、方便穿戴和实验的步态检测系统。该足底压力测量系统采用了4个力敏电阻(force sensing resistor,FSR)，通过集成运放输出稳定的电压模拟信号，再通过AD数据采集卡进行数据采集，得到足底压力数据。分析得到的数据，能够探索人们行走时的规律，如步态周期的划分、压力时序等生物力学参数。受试者穿上测力鞋垫正常行走就可完成步态分析工作。本系统采集了27组步态试验数据，对这些数据进行分析，研究各种步态下的压力分布特征，并对平地行走、上坡、下坡、上楼梯、下楼梯5种步态模式进行识别。通过K最近邻(K-nearest neighbors,KNN)分类算法达到了90%的正确率，初步验证了本系统的实用性。
1 足底压力检测系统
1.1 步态相位与足底压力传感
足底压力分布测量系统测量人体站立或步行时足底压力的分布情况，即足底与支撑面之间力的分布状态，从而计算出足底合力大小、位置以及步态时间等特征参数，因此力传感器是本系统的重要组成部分之一。由于本系统主要用于步态分析的研究，系统除满足测量量程、灵敏度、测量精度、分辨率等指标要求外，还应满足重复性好、性能稳定、系统轻便小巧、不妨碍人体步行动作，不改变足底压力的自然分布状态等要求，因此传感器的选择至关重要。力传感器种类很多，绝大多数体积庞大，不适用于测量足底压力。
本系统选用加拿大 Interlink Electronics公司的FSR，该公司的FSR是一种聚合体薄膜装置，施加在FSR传感器薄膜区域的压力值变化能够转换成电阻值的变化，压力越大，电阻越低，从而获取压力信息。FSR的敏感度非常高，可以感知人手的触摸。根据支撑相位足底压力分布状况，在步行、站立等运动中，这些受力区域支撑着人体大部分重量，并调节着人体的平衡；测量这些部位的力可以获取下肢乃至全身的生理、结构及功能等方面的大量信息。因此我们选择在足底安放4个FSR，其中足跟1个、前足掌2个，脚尖1个，如图 1所示。
图1
足底压力传感设计
Figure1.
Plantar pressure sensor design
由于足跟需要检测的位置比较大，因此1号位置，传感器型号选择面积较大的 FSR406型传感器，而对于2~4号位置，采用FSR402型传感器。因为步态相位与以上信号的相位有关，所以将这些信号的相位组合起来就有可能得到步态相位信息。
1.2 压力测量系统电路设计
根据足底压力测量设备的工作原理，设计了足底压力分布测量系统，制作完成后的系统由电源、传感器、压力测量鞋垫、压力测量集成电路等组成。
FSR实际上可以认为是一个可变电阻，所以在电路设计时中可用可变电阻来替代。在没有压力时，FSR的电阻值为无穷大。经过试验测量，1号FSR在足底的变化范围为200~∞ Ω，2号FSR的阻值变化范围为800~∞ Ω，3号FSR的阻值变化范围为700~∞ Ω，4号FSR的阻值变化范围为1.5 kΩ~∞ Ω。根据本系统的实验要求，电路设计如图 2所示。其中：FSR1、FSR2 、FSR3 、FSR4分别为4个可变电阻，代表 4个力传感器。运算放大器型号为NE5532P，电源采用9V电池供电，4个NE5532P芯片在5 V电压下即可满足要求，以LM7805芯片进行5V变压，得到稳定的电压源。
图2
电路设计
Figure2.
Circuit Design
FSR连接方式如图 2所示，信号输出端口为放大器输出端，电压输出为
| ${{V}_{out}}=VCC\cdot R/(R+{{R}_{FSR}}),$ |
式中RFSR为FSR阻值，VCC为5 V电压，R为变阻器阻值，即电路中的R1、R8、R12、R16。
一共有4个输出端口，对应4个FSR的信号输出。同时，在每一个输出端都附加一个点灯电路，放大器U1B的负端口电压为
| $V\_=VCC\cdot {{R}_{4}}/({{R}_{3}}+{{R}_{4}})\text{ },$ |
根据实测数据分析，R3用3 kΩ的电阻，R4用2 kΩ的电阻。因此V_ =2 V，每当输出电压超过2 V时，LED就会点亮，这样在进行测试时，观察LED就可以知道FSR是否在工作。
本系统的数据信号采集模块设备为Measurement Computing公司的USB-1608G，共有54个端口，主要包括16路模拟信号输入和8路数字信号输入，还有一些计数、时钟、5 V电源、GND等端口，采用USB接口通信。本实验只需用到CH0、CH1、CH2、CH3共4个端口和GND接地端。采样频率为100 Hz。系统的硬件部分和压力鞋垫如图 3所示。
图3
系统的硬件部分和压力鞋垫
Figure3.
Hardware of the system and the pressure insoles
2 数据采集与步态模式识别
2.1 数据采集
系统软件基本功能包括数据采集和预处理，高层功能为特征参数的提取。数据采集试验根据步态模式分为9组，分别为：单脚抬起、单脚站立、双脚站立、平地行走、上坡、下坡、上楼梯、下楼梯、跨越障碍。
试验共得到27组数据，每个步态模式下有三组，数据处理是在Matlab软件上进行的，通过对试验数据以及各种步态运动规律的对比观察，我们找出了其中特征明显的5组数据作为特征数据，分别为sensor4支撑时间/摆动时间、sensor3支撑时间/摆动时间、总支撑时间/摆动时间、sensor4支撑期内该传感器压力均值、sensor3支撑期内该传感器压力均值，然后对特征数据进行处理。
2.2 步态模式识别
KNN分类算法，属于模式识别方法中的统计决策法，基本假设为：“同类样本在模式空间中相互较靠近”。KNN法考查未知样本点的K个近邻(K为单数整数)，若近邻某一类样本最多，则可将未知样本判为该类。具体过程为：
(1)计算未知样本点和所有训练集样本点之间的距离。
(2)从最小距离开始计样本数，一直计到有K个样本数为止，此时所对应的距离就为最近邻的最小距离。
(3)如果在这个最小距离中，距某一类训练集中的样本数多，距离又小，则将待分类样本划到该类中。
本文把提取的5种特征数据看作是5维空间坐标p(x,y,z,m,n)，那么每一种步态模式就可以当作5维空间内的一个点，在这个点周围一定空间范围内的点都可认为属于这种步态模式。将每种模式下的第一组数据作为训练数据(Train Data)，其他两组数据作为测试数据(Test Data)，训练数据中这些5维空间点作为基本点，测试数据中的点作为测试点，通过比较这些测试点到基本点的欧氏(Euclidian)距离，取出该测试点离5个基本点最近的那个点，该基本点所代表的步态模式就是这个测试点的步态模式。欧氏(Euclidian)距离计算公式为
| ${{d}_{ij}}=\sqrt{\sum\limits_{\alpha =1}^{p}{{{({{x}_{i\alpha }}-{{x}_{j\alpha }})}^{2}}}}$ |
对于本实验，该距离计算公式：
| $d=\sqrt{\Delta {{x}^{2}}+\Delta {{y}^{2}}+\Delta {{z}^{2}}+\Delta {{m}^{2}}+\Delta {{n}^{2}}},$ |
通过Matlab对这10个点分别到基本点的距离计算，分别取最小值。
3 实验结果
步态模式识别中，本文提取了5个步态特征的试验数据进行分析，如表 1所示。
表1
步态模式识别中所提取的5个步态特征
Table1.
Five extracted gait feature of gait pattern recognition
10组数据中有9组步态模式判断正确，其中一组错误，该空间向量法正确率为90%。其中上楼梯模式的识别出现错误，我们发现上楼梯模式中第三组特征数据总支撑时间/摆动时间分别为3.394 8、3.266 7、2.618 4，与前两个数据偏差较大，原因可能是该算法过于简单，也有可能是进行实验数据采集时，步行状态与前两次相比出现偏差。在KNN法中，是在事先知道类别特征的情况下建立判别模型对样本进行识别归属，是一种有监督模式识别，该模式识别的训练(Training)数据样本空间大小为1×5，测试(Testing)数据样本空间大小为2×5。
4 讨论与结论
KNN法优点为对数据结构无特殊要求，简单易行，适合处理大批量的数据。缺点为未对测试点进行信息压缩，每判断一个点都要将其对所有已知点的距离计算一遍，工作量较大，同时数据量的大小影响着模式识别的正确率。
本文步态模式识别所提取的特征，表面看只用到了2个传感器，sensor3和sensor4，但是在支撑相位和摆动相位的计算上，必须用到sensor1。至于sensor2的数据是否有用，是否可以省去，还有待后续研究。
此外模式识别的方法也可采用决策树法，优点是：在应用于复杂的多阶段决策时，阶段明显，层次清楚，正确率比较高；缺点是：适用范围有限，只适合少量的数据模式分类，在面对大批量数据处理时，分类情况比较复杂，决策条件难以寻找。
实验中，本系统对试验对象的5种步态正确识别的概率达到了90%。为了进一步验证该系统的可靠性和实用性，我们还对同组的其他同学进行了同样的5种步态模式的识别试验，由于实验数据采集和处理与文中给出的相似，故没有进行罗列。后续这些实验的正确率也达到了预期，识别结果同时说明了该系统具有一定的实用性。对本实验压力测试系统来说，虽然其硬件结构可行，能够实时采集足底压力数据，反映足底步态情况，但是还存在一些问题，比如压力信号达到饱和时，可能会对实验结果产生影响；算法也还需要进一步研究以达到更宽的应用范围等，后续将进一步展开相关研究。
引言
步态识别作为一种新的生物特征识别技术[1]，不仅可以根据人们的走路姿势实现对个人身份的识别，还可用于检测人的生理、病理特征。目前步态识别主要应用于对不同运动状态下足底各点与地面之间的压力及其时间参数进行测量并分析，进而获取人体在不同体态和运动状态下的生理和病理力学参数，揭示不同的足底压力分布特征和模式，对疾患程度测定、生物力学及康复研究均有重要意义。随着人们对步态识别技术的日益重视，其在未来的应用将不仅仅局限于生物特征方面，还可用于了解中风患者恢复进程以及银行、车站等特殊场所的安全检查等医疗卫生和公共安全等领域，由此可见研究步态模式识别技术有十分重大的意义。
目前国内外基于步态生物识别技术主要有以下几种方法：(1)基于采集步行时的图像进行识别[2]，可识别行走的频率和步幅的大小，初步证明该方法具有一定的实用性，但是由于人体身体特征不同，实验结果具有个体差异性；(2)基于人行走图像进行特征步态的分析[3]，虽然对不同的光线、衣着、视角进行了归一化处理，但是实际测试中这些条件的变动依然会对识别率产生明显的干扰，且数据库较多时难以通过步态特征识别出个体；(3)基于脑电(electroencephalogram,EEG)信号模式识别的方法[4]，对EEG信号的研究发现，脑电波波形随着人体运动状态的改变而改变，虽然变化复杂，但可提供大脑对四肢的控制信息。目前该方法的主要缺点是信号采集系统无法实时地获得高分辨率的实时信号，且计算机对数据的处理速度达不到要求；(4)基于肌电(electromyography,EMG)信号模式识别的方法[5]，实验证明，不同路况下人体腿部肌肉表面EMG信号不同，则人体活动方式不同；EMG特征参数差别明显，对步态识别具有很大的帮助；(5)基于对步态运动学参数中下肢关节角度进行步态识别[6]，行走运动的关节角度变化包含丰富的个体识别信息。实验证明，利用下肢关节角度进行步态识别也是一种可行的方法。
关于足底压力分布测量技术的研究，国外起步较早，研究也比较成熟[7]。目前研究应用较多的为瑞士Kistler公司的测力台系统[8]、美国Tekscan公司的压力分布测量系统[9]以及德国Novel公司足底压力分布测量系统[10]，这些系统克服了测力板和测力台面积有限且只能站立进行参数测量等缺点，具有可靠性和准确性较高、组装和操作简便的优点，因此在市场上被广泛采用。国内足底压力与测量的研究起步较晚，20世纪 80 年代，伴随着压力测量和新型传感技术的快速发展与普及以及人们对足部健康的日益重视，足底压力测量技术的重要性在运动生物力学步态研究领域中日益凸显。经过近20年的研究，国内目前已研制成功的产品主要集中在运动生物力学步态研究和临床步态研究上，代表性的成果主要为：对人体行走的步态观察、步态分析和临床研究；对正常人平地行走时足底三维力的测量与分析；对少年儿童背负书包状态下行走的步态分析等[11]。但在取得这些成果的同时，仍有一些问题尚需解决：如国外现有的足底压力分布测量系统价格昂贵，对足底压力分布测量的应用研究不足，对步态的力学特征分析尚不充分；而国内测量系统存在成本高、寿命短、使用不灵活及难于扩展等问题。
本文基于足底压力测量，设计了一种压力测量鞋垫，并研制出一套成本低、稳定可靠、方便穿戴和实验的步态检测系统。该足底压力测量系统采用了4个力敏电阻(force sensing resistor,FSR)，通过集成运放输出稳定的电压模拟信号，再通过AD数据采集卡进行数据采集，得到足底压力数据。分析得到的数据，能够探索人们行走时的规律，如步态周期的划分、压力时序等生物力学参数。受试者穿上测力鞋垫正常行走就可完成步态分析工作。本系统采集了27组步态试验数据，对这些数据进行分析，研究各种步态下的压力分布特征，并对平地行走、上坡、下坡、上楼梯、下楼梯5种步态模式进行识别。通过K最近邻(K-nearest neighbors,KNN)分类算法达到了90%的正确率，初步验证了本系统的实用性。
1 足底压力检测系统
1.1 步态相位与足底压力传感
足底压力分布测量系统测量人体站立或步行时足底压力的分布情况，即足底与支撑面之间力的分布状态，从而计算出足底合力大小、位置以及步态时间等特征参数，因此力传感器是本系统的重要组成部分之一。由于本系统主要用于步态分析的研究，系统除满足测量量程、灵敏度、测量精度、分辨率等指标要求外，还应满足重复性好、性能稳定、系统轻便小巧、不妨碍人体步行动作，不改变足底压力的自然分布状态等要求，因此传感器的选择至关重要。力传感器种类很多，绝大多数体积庞大，不适用于测量足底压力。
本系统选用加拿大 Interlink Electronics公司的FSR，该公司的FSR是一种聚合体薄膜装置，施加在FSR传感器薄膜区域的压力值变化能够转换成电阻值的变化，压力越大，电阻越低，从而获取压力信息。FSR的敏感度非常高，可以感知人手的触摸。根据支撑相位足底压力分布状况，在步行、站立等运动中，这些受力区域支撑着人体大部分重量，并调节着人体的平衡；测量这些部位的力可以获取下肢乃至全身的生理、结构及功能等方面的大量信息。因此我们选择在足底安放4个FSR，其中足跟1个、前足掌2个，脚尖1个，如图 1所示。
图1
足底压力传感设计
Figure1.
Plantar pressure sensor design
由于足跟需要检测的位置比较大，因此1号位置，传感器型号选择面积较大的 FSR406型传感器，而对于2~4号位置，采用FSR402型传感器。因为步态相位与以上信号的相位有关，所以将这些信号的相位组合起来就有可能得到步态相位信息。
1.2 压力测量系统电路设计
根据足底压力测量设备的工作原理，设计了足底压力分布测量系统，制作完成后的系统由电源、传感器、压力测量鞋垫、压力测量集成电路等组成。
FSR实际上可以认为是一个可变电阻，所以在电路设计时中可用可变电阻来替代。在没有压力时，FSR的电阻值为无穷大。经过试验测量，1号FSR在足底的变化范围为200~∞ Ω，2号FSR的阻值变化范围为800~∞ Ω，3号FSR的阻值变化范围为700~∞ Ω，4号FSR的阻值变化范围为1.5 kΩ~∞ Ω。根据本系统的实验要求，电路设计如图 2所示。其中：FSR1、FSR2 、FSR3 、FSR4分别为4个可变电阻，代表 4个力传感器。运算放大器型号为NE5532P，电源采用9V电池供电，4个NE5532P芯片在5 V电压下即可满足要求，以LM7805芯片进行5V变压，得到稳定的电压源。
图2
电路设计
Figure2.
Circuit Design
FSR连接方式如图 2所示，信号输出端口为放大器输出端，电压输出为
| ${{V}_{out}}=VCC\cdot R/(R+{{R}_{FSR}}),$ |
式中RFSR为FSR阻值，VCC为5 V电压，R为变阻器阻值，即电路中的R1、R8、R12、R16。
一共有4个输出端口，对应4个FSR的信号输出。同时，在每一个输出端都附加一个点灯电路，放大器U1B的负端口电压为
| $V\_=VCC\cdot {{R}_{4}}/({{R}_{3}}+{{R}_{4}})\text{ },$ |
根据实测数据分析，R3用3 kΩ的电阻，R4用2 kΩ的电阻。因此V_ =2 V，每当输出电压超过2 V时，LED就会点亮，这样在进行测试时，观察LED就可以知道FSR是否在工作。
本系统的数据信号采集模块设备为Measurement Computing公司的USB-1608G，共有54个端口，主要包括16路模拟信号输入和8路数字信号输入，还有一些计数、时钟、5 V电源、GND等端口，采用USB接口通信。本实验只需用到CH0、CH1、CH2、CH3共4个端口和GND接地端。采样频率为100 Hz。系统的硬件部分和压力鞋垫如图 3所示。
图3
系统的硬件部分和压力鞋垫
Figure3.
Hardware of the system and the pressure insoles
2 数据采集与步态模式识别
2.1 数据采集
系统软件基本功能包括数据采集和预处理，高层功能为特征参数的提取。数据采集试验根据步态模式分为9组，分别为：单脚抬起、单脚站立、双脚站立、平地行走、上坡、下坡、上楼梯、下楼梯、跨越障碍。
试验共得到27组数据，每个步态模式下有三组，数据处理是在Matlab软件上进行的，通过对试验数据以及各种步态运动规律的对比观察，我们找出了其中特征明显的5组数据作为特征数据，分别为sensor4支撑时间/摆动时间、sensor3支撑时间/摆动时间、总支撑时间/摆动时间、sensor4支撑期内该传感器压力均值、sensor3支撑期内该传感器压力均值，然后对特征数据进行处理。
2.2 步态模式识别
KNN分类算法，属于模式识别方法中的统计决策法，基本假设为：“同类样本在模式空间中相互较靠近”。KNN法考查未知样本点的K个近邻(K为单数整数)，若近邻某一类样本最多，则可将未知样本判为该类。具体过程为：
(1)计算未知样本点和所有训练集样本点之间的距离。
(2)从最小距离开始计样本数，一直计到有K个样本数为止，此时所对应的距离就为最近邻的最小距离。
(3)如果在这个最小距离中，距某一类训练集中的样本数多，距离又小，则将待分类样本划到该类中。
本文把提取的5种特征数据看作是5维空间坐标p(x,y,z,m,n)，那么每一种步态模式就可以当作5维空间内的一个点，在这个点周围一定空间范围内的点都可认为属于这种步态模式。将每种模式下的第一组数据作为训练数据(Train Data)，其他两组数据作为测试数据(Test Data)，训练数据中这些5维空间点作为基本点，测试数据中的点作为测试点，通过比较这些测试点到基本点的欧氏(Euclidian)距离，取出该测试点离5个基本点最近的那个点，该基本点所代表的步态模式就是这个测试点的步态模式。欧氏(Euclidian)距离计算公式为
| ${{d}_{ij}}=\sqrt{\sum\limits_{\alpha =1}^{p}{{{({{x}_{i\alpha }}-{{x}_{j\alpha }})}^{2}}}}$ |
对于本实验，该距离计算公式：
| $d=\sqrt{\Delta {{x}^{2}}+\Delta {{y}^{2}}+\Delta {{z}^{2}}+\Delta {{m}^{2}}+\Delta {{n}^{2}}},$ |
通过Matlab对这10个点分别到基本点的距离计算，分别取最小值。
3 实验结果
步态模式识别中，本文提取了5个步态特征的试验数据进行分析，如表 1所示。
表1
步态模式识别中所提取的5个步态特征
Table1.
Five extracted gait feature of gait pattern recognition
10组数据中有9组步态模式判断正确，其中一组错误，该空间向量法正确率为90%。其中上楼梯模式的识别出现错误，我们发现上楼梯模式中第三组特征数据总支撑时间/摆动时间分别为3.394 8、3.266 7、2.618 4，与前两个数据偏差较大，原因可能是该算法过于简单，也有可能是进行实验数据采集时，步行状态与前两次相比出现偏差。在KNN法中，是在事先知道类别特征的情况下建立判别模型对样本进行识别归属，是一种有监督模式识别，该模式识别的训练(Training)数据样本空间大小为1×5，测试(Testing)数据样本空间大小为2×5。
4 讨论与结论
KNN法优点为对数据结构无特殊要求，简单易行，适合处理大批量的数据。缺点为未对测试点进行信息压缩，每判断一个点都要将其对所有已知点的距离计算一遍，工作量较大，同时数据量的大小影响着模式识别的正确率。
本文步态模式识别所提取的特征，表面看只用到了2个传感器，sensor3和sensor4，但是在支撑相位和摆动相位的计算上，必须用到sensor1。至于sensor2的数据是否有用，是否可以省去，还有待后续研究。
此外模式识别的方法也可采用决策树法，优点是：在应用于复杂的多阶段决策时，阶段明显，层次清楚，正确率比较高；缺点是：适用范围有限，只适合少量的数据模式分类，在面对大批量数据处理时，分类情况比较复杂，决策条件难以寻找。
实验中，本系统对试验对象的5种步态正确识别的概率达到了90%。为了进一步验证该系统的可靠性和实用性，我们还对同组的其他同学进行了同样的5种步态模式的识别试验，由于实验数据采集和处理与文中给出的相似，故没有进行罗列。后续这些实验的正确率也达到了预期，识别结果同时说明了该系统具有一定的实用性。对本实验压力测试系统来说，虽然其硬件结构可行，能够实时采集足底压力数据，反映足底步态情况，但是还存在一些问题，比如压力信号达到饱和时，可能会对实验结果产生影响；算法也还需要进一步研究以达到更宽的应用范围等，后续将进一步展开相关研究。
